Project Data & Analytics: ¿Cómo lo aplican las empresas?

La analítica aplicada, el Project Data & Analytics a la dirección de proyectos permite traducir grandes volúmenes de información —estructurada o no— en conocimiento útil para tomar decisiones informadas. Desde predecir desviaciones en tiempos y presupuestos hasta identificar patrones de éxito en iniciativas anteriores, la analítica revoluciona la forma de gestionar los proyectos.

Imaginemos una startup tecnológica que desarrolla una nueva aplicación móvil. A través del análisis de datos, puede anticiparse a posibles cuellos de botella en la programación, optimizar la asignación de recursos o incluso evaluar en tiempo real la respuesta del público ante una versión beta. O pensemos en una franquicia de comida rápida que lanza un nuevo producto: el uso de dashboards y métricas específicas le permite monitorear el rendimiento del lanzamiento en distintas regiones y ajustar su estrategia sobre la marcha.

Lo interesante del enfoque analítico es que no solo se trata de tecnología, sino de una filosofía de gestión. No basta con tener los datos: es necesario saber qué preguntar, cómo interpretarlos y, sobre todo, cómo traducir esa información en decisiones prácticas. Y es ahí donde el Project Data & Analytics se diferencia de la simple recolección de métricas. Ese es el tema principal de esta nueva nota de ADEN International Business School.

Los beneficios de la analítica de proyectos

Acilio Marinello, experto en Gestión de Proyectos, sostiene que en un entorno donde los proyectos se vuelven cada vez más complejos, el análisis de datos es un verdadero salvavidas que permite a los directores mantenerse dentro del cronograma y del presupuesto, incluso ante escenarios cambiantes. 

En su libro Analítica de Proyectos y las Tecnologías Emergentes, publicado por ADEN, profundiza en las principales ventajas que aporta la analítica al ciclo de vida de los proyectos, abordando conceptos y herramientas que hoy marcan la diferencia en el mundo de la gestión.

Benchmarking inteligente

La analítica permite comparar el rendimiento de un proyecto actual con el de otros similares, tanto dentro de la organización como en la industria. Esto facilita la identificación de mejores prácticas, errores comunes y márgenes de mejora, promoviendo una toma de decisiones más informada y respaldada por datos reales.

Precisión y previsibilidad

Gracias al uso de modelos predictivos, los directores de proyecto pueden anticipar desvíos en tiempos, costos o calidad, lo que permite implementar medidas correctivas antes de que los problemas se materialicen. Esto se traduce en una mayor capacidad para entregar proyectos exitosos, con menos sorpresas y más control sobre los resultados.

Análisis de series temporales

Al estudiar cómo evolucionan ciertas variables del proyecto a lo largo del tiempo —como el consumo de recursos, la productividad del equipo o los avances respecto al cronograma— es posible identificar tendencias, ciclos o comportamientos estacionales. Esta información es valiosa tanto para el seguimiento como para la planificación futura de nuevos proyectos.

Análisis ad hoc

Más allá de los reportes estándar, la analítica permite realizar estudios personalizados según las necesidades específicas del proyecto o la organización. Por ejemplo, se puede investigar por qué ciertos equipos son más eficientes que otros, o qué características comparten los proyectos más exitosos de una cartera. Este enfoque flexible permite adaptar el análisis a cada contexto y generar hallazgos accionables.

Tecnologías emergentes: Big Data, Machine Learning e Inteligencia Artificial

Según Gastón Addati, experto en Big Data y autor del libro Conceptos Fundamentales del Big Data, esta tecnología no es simplemente una moda pasajera, sino una necesidad creciente. Si bien aún existen debates en torno a su implementación —como sucedió anteriormente con el uso del Cloud Computing— la tendencia es clara: el volumen y la complejidad de los datos aumentan de manera exponencial, y sólo mediante el uso de herramientas avanzadas será posible extraer valor real de esa información.

El Big Data se caracteriza tradicionalmente por las “3 V”:

• Volumen: la inmensa cantidad de datos generados cada segundo.
• Velocidad: la rapidez con la que se producen y deben procesarse esos datos.
• Variedad: la diversidad de formatos, desde texto y video hasta sensores IoT y redes sociales.

Sin embargo, Addati, Faculty Internacional ADEN, amplía este enfoque incorporando otras “V” igual de importantes:

• Veracidad: necesidad de asegurar que los datos sean confiables.
• Valor: los datos deben transformarse en información útil para generar conocimiento.
• Viabilidad: se refiere a la posibilidad real de acceder a los datos y analizarlos en tiempo útil.
• Visualización: clave para interpretar datos complejos y encontrar patrones que apoyen la toma de decisiones.

Estos pilares permiten que las organizaciones transformen sus modelos de negocio, identifiquen oportunidades ocultas y optimicen procesos con una precisión antes impensada.

Diferencia entre Big Data y Business Intelligence

Aunque tanto el Big Data como el Business Intelligence (BI) comparten el objetivo de mejorar la toma de decisiones empresariales basándose en datos, existen diferencias fundamentales en su enfoque, tecnologías utilizadas, tipo de datos que manejan y la profundidad del análisis que permiten.

Business Intelligence es una disciplina más consolidada, centrada en el análisis de datos estructurados, históricos y confiables, generalmente provenientes de bases de datos internas. Su principal objetivo es generar reportes, dashboards y análisis descriptivos que expliquen lo que ocurrió en el pasado y faciliten decisiones estratégicas basadas en esa información. En otras palabras, BI responde a preguntas como:

• ¿Qué ocurrió?
• ¿Cuándo ocurrió?
• ¿Dónde ocurrió?
• ¿Quién lo hizo?

Las herramientas de BI, como las mencionadas por Gastón Addati —reportes empresariales, alertas de negocio y cubos de análisis—, son ideales para monitorear indicadores clave de rendimiento (KPIs), analizar resultados de ventas, detectar anomalías en procesos y visualizar tendencias históricas.

Por otro lado, Big Data representa una evolución en el tratamiento y análisis de datos, especialmente frente a la explosión de volumen, variedad y velocidad con la que hoy se generan. A diferencia del BI, el Big Data trabaja no solo con datos estructurados, sino también con datos no estructurados y semiestructurados, provenientes de múltiples fuentes como redes sociales, sensores IoT, logs de servidores, videos, audios, etc.

Big Data se orienta hacia el análisis predictivo y prescriptivo, haciendo uso de algoritmos de inteligencia artificial y machine learning que permiten identificar patrones ocultos, anticipar comportamientos futuros y automatizar decisiones. Gracias a estas capacidades, las preguntas que busca responder son mucho más avanzadas:

• ¿Qué pasará?
• ¿Qué debo hacer?
• ¿Cómo optimizar los resultados?

¿Cómo hace la Inteligencia Artificial para encontrar patrones en los datos?

Tal como analiza Addati, la capacidad de la Inteligencia Artificial (IA) para detectar patrones complejos en grandes volúmenes de datos se basa en la conjunción de las matemáticas, la estadística y el aprendizaje automático, también conocido como machine learning. Este campo de la IA permite que los sistemas informáticos “aprendan” a partir de datos históricos y ajusten su comportamiento o predicciones sin necesidad de ser programados explícitamente para cada tarea específica.

El funcionamiento de estos modelos se puede comparar con el aprendizaje humano: cuanta más experiencia (en este caso, más datos) tenga el sistema, mejores serán sus resultados. Esta mejora continua se da porque el modelo va reconociendo correlaciones, tendencias y relaciones ocultas entre los datos.

Dependiendo del tipo de algoritmo de machine learning que se utilice —como los modelos supervisados, no supervisados o de aprendizaje por refuerzo— se pueden abordar distintos tipos de problemas:

• Clasificación: Se utiliza para asignar una etiqueta o categoría a un dato. Por ejemplo, clasificar si una imagen contiene un perro o un gato, o si un correo electrónico es spam o no.
• Regresión: Sirve para predecir valores numéricos, como el precio de una casa en base a su tamaño, ubicación y antigüedad.
• Agrupamiento (clustering): Es útil para descubrir grupos naturales dentro de los datos, como segmentar clientes según su comportamiento de compra.
• Detección de anomalías: Identifica comportamientos inusuales o sospechosos, como posibles fraudes bancarios basados en secuencias de transacciones inusuales.
• Procesamiento del lenguaje natural (PLN): Transforma datos en lenguaje humano, como convertir un archivo de audio en texto o comprender la intención detrás de una consulta escrita.
• Reconocimiento de patrones en imágenes y video: Como en el caso de la visión por computadora, que permite identificar objetos, rostros o incluso emociones en imágenes o transmisiones en vivo.

Estos modelos funcionan alimentándose con grandes volúmenes de datos que luego procesan mediante redes neuronales, árboles de decisión, algoritmos de optimización o técnicas estadísticas avanzadas.

Si te interesa conocer estrategias específicas que los project managers están implementando hoy en sus negocios puedes leer: El futuro de la gestión de proyectos: IA, Machine Learning y análisis avanzado, una nota de la Escuela de Negocios ADEN que recopila información relevante para los líderes actuales. 

El Big Data y la Dirección de Proyectos

En su libro Analítica de Proyectos y las Tecnologías Emergentes, Acilio Marinello, Faculty Internacional ADEN, explica cómo el análisis de Big Data ha dejado de ser exclusivo del mundo tecnológico para convertirse en una herramienta clave en la gestión moderna de proyectos. Esta disciplina, conocida como Big Data Analytics, permite procesar y analizar enormes volúmenes de datos —provenientes de fuentes diversas— con el objetivo de tomar decisiones más acertadas, ágiles y basadas en evidencia.

El análisis de grandes volúmenes de datos no se limita a un solo tipo de información. Marinello distingue tres categorías principales que deben ser consideradas:

• Datos estructurados: Son aquellos que tienen un formato claro y definido, como bases de datos relacionales, hojas de cálculo o sistemas de ERP. Este tipo de datos es fácilmente organizable en filas y columnas, lo que facilita su análisis mediante herramientas tradicionales de BI.
• Datos no estructurados: Carecen de un formato definido y representan uno de los mayores desafíos del Big Data. Se encuentran en archivos como correos electrónicos, documentos PDF, textos de redes sociales, audios, videos o imágenes. Requieren técnicas más complejas de análisis como procesamiento de lenguaje natural (PLN) o visión por computadora.
• Datos semiestructurados: Combinan características de los anteriores. Aunque no siguen un esquema rígido como los estructurados, contienen cierta organización a través de metadatos. Por ejemplo, una foto tomada con un teléfono puede no tener un formato tabulado, pero sí incluye información estructurada como la geolocalización, el modelo del dispositivo y la fecha.

Estos datos pueden alcanzar tamaños impresionantes, desde terabytes (TB) hasta zettabytes (ZB), y provienen de diversas fuentes como sensores IoT, plataformas digitales, dispositivos móviles, sistemas empresariales, registros históricos, o incluso redes sociales. Toda información recopilada puede ser relevante para tomar decisiones empresariales con Data Analytics, si se organiza de la forma correcta.

Modelos de madurez en analítica de proyectos

En otra de las publicaciones de Acilio Marinello, titulada Proceso Evolutivo de la Analítica en la Gestión de Proyectos, profundiza sobre los modelos de madurez como herramientas clave para entender cómo evoluciona una organización en el uso estratégico de sus datos. 

La madurez analítica representa el grado en que una organización ha incorporado el uso de datos en sus procesos internos, su cultura organizacional y en la toma de decisiones. Este concepto se traduce en una secuencia de etapas progresivas, en las que la organización pasa de un uso básico o reactivo de los datos, hacia un enfoque predictivo y, finalmente, prescriptivo, en el que las decisiones se basan casi exclusivamente en evidencia respaldada por analítica avanzada.

¿Para qué sirven los modelos de madurez?

Los modelos de madurez ayudan a:

• Diagnosticar el nivel actual de capacidad analítica de una empresa o equipo de proyectos.
• Identificar brechas entre el estado actual y el deseado.
• Trazar estrategias de mejora continua, alineadas con los objetivos del negocio.
• Fomentar la cultura del dato, promoviendo el uso de analítica en todos los niveles organizacionales.
• Justificar inversiones en talento, tecnología y procesos analíticos.

Principales modelos de madurez analítica

A lo largo de los años se han propuesto varios modelos de referencia que permiten evaluar la madurez analítica de una organización. Algunos de los más reconocidos son:

• Modelo de madurez de Gartner para datos y análisis: Presenta cinco niveles de evolución, desde el uso inicial de datos hasta una organización completamente centrada en la información. Evalúa dimensiones como cultura, estrategia, gobernanza, talento, arquitectura y medición del rendimiento.
• Modelo DELTA Plus de Tom Davenport: Basado en los pilares de Datos (Data), Empresa (Enterprise), Liderazgo (Leadership), Targeting, Analítica (Analytics) y, posteriormente, Medición del Impacto (Impact Measurement). Este modelo hace énfasis en la alineación entre estrategia y capacidades analíticas.
• DAMM – Data Analytics Maturity Model para Asociaciones: Enfocado especialmente en organizaciones sin fines de lucro o asociaciones, este modelo adapta los principios analíticos a entornos donde los recursos suelen ser limitados, pero el impacto de la información puede ser crucial.
• SAS Analytic Maturity Scorecard: Ofrece una herramienta interactiva para que las empresas evalúen su nivel de madurez analítica, abarcando aspectos como la tecnología, los procesos, el talento humano y la cultura organizacional.

Tipos y evolución de analítica: descriptiva, diagnóstica, predictiva, prescriptiva y cognitiva

Siguiendo los aportes de Acilio Marinello, y tomando como base el modelo propuesto por Gartner, es posible identificar cinco grandes etapas en el camino de evolución analítica que atraviesan las organizaciones en su búsqueda por mejorar la toma de decisiones basadas en datos. Este proceso refleja la madurez analítica de la organización, es decir, su capacidad para aprovechar los datos de forma estratégica y eficiente.

1. Sin análisis: En esta etapa inicial, las organizaciones no cuentan con procesos formales de análisis de datos. Las decisiones suelen tomarse en base a la intuición, la experiencia o información anecdótica, sin herramientas ni evidencia concreta que respalde las acciones.
2. Analítica descriptiva: Representa el primer paso hacia una cultura analítica. Se enfoca en responder la pregunta ¿qué pasó?, mediante la recopilación y visualización de datos históricos. Herramientas como dashboards, informes y gráficos permiten obtener una visión clara del rendimiento pasado y del estado actual del negocio.
3. Analítica diagnóstica: Profundiza en el análisis al tratar de explicar por qué ocurrió un determinado fenómeno. A través del descubrimiento de patrones, correlaciones y relaciones causales, esta etapa permite entender las razones detrás de los eventos pasados, aportando una mayor comprensión del contexto.
4. Analítica predictiva: Avanza hacia el futuro y busca responder ¿qué podría pasar?. Utiliza algoritmos de aprendizaje automático (machine learning) y técnicas estadísticas para modelar escenarios futuros, identificar riesgos potenciales u oportunidades, y anticipar comportamientos o resultados.
5. Analítica prescriptiva: Se orienta a la acción, tratando de responder ¿qué debería hacerse?. No solo anticipa lo que puede suceder, sino que ofrece recomendaciones específicas para optimizar decisiones, mejorar procesos o alcanzar objetivos estratégicos. Puede incluir simulaciones, optimización matemática o sugerencias automatizadas.
6. Analítica cognitiva (etapa más avanzada, aunque no mencionada explícitamente por Marinello): En esta fase, se incorporan tecnologías como inteligencia artificial avanzada, procesamiento del lenguaje natural y sistemas autónomos que aprenden, interpretan y razonan de forma similar a un ser humano.

Aquí también se puede observar la sinergia entre IA y Data Analytics en la gestión de proyectos. Cada etapa implica un salto en complejidad técnica, inversión y cambio cultural dentro de las organizaciones, pero también representa una oportunidad de generar más valor y tomar decisiones más precisas, informadas y alineadas con los objetivos estratégicos del negocio.

Gobernanza de datos y plataformas analíticas (BI y BA)

Se ha desarrollado anteriormente el concepto de Business Inteligence. Ahora bien, ¿Qué es BA? Significa Business Analytics (Análisis de Negocios, en español). Es una disciplina que se enfoca en el uso de datos, análisis estadístico y modelos predictivos para entender el rendimiento pasado de una organización y proyectar escenarios futuros. 

A diferencia de BI, que se centra más en el monitoreo y la visualización de datos históricos para responder qué pasó, BA busca entender por qué pasó y qué podría pasar, ofreciendo un enfoque más predictivo y prescriptivo.

Según el especialista Alejandro Naut Lerebours, el uso estratégico de ambas herramientas es clave para la optimización operativa, particularmente en sectores como el consumo masivo. Sin embargo, para que estos sistemas funcionen eficazmente, es esencial contar con una gobernanza de datos robusta, que asegure la calidad, integridad, seguridad y trazabilidad de la información.

La gobernanza de datos establece políticas, procesos y roles que garantizan que los datos sean confiables y estén disponibles para su análisis. Esto incluye desde la definición de estándares para la captura y almacenamiento de datos, hasta el control de acceso y la auditoría de su uso. Una buena gobernanza de datos es el cimiento sobre el que se construyen las plataformas analíticas, permitiendo decisiones basadas en información consistente, oportuna y contextualizada.

El proceso de Business Intelligence

Naut Lerebours, en su publicación más reciente titulada Introducción al Business Inteligence, describe que el proceso de BI se compone de varias etapas clave que transforman los datos en decisiones estratégicas:

• Fuentes de datos: Pueden incluir sistemas ERP, CRM, bases de datos, plataformas cloud, redes sociales o archivos estructurados y no estructurados.
• Almacenamiento de datos: Se realiza en data warehouses o data lakes, que centralizan y organizan la información para facilitar su análisis.
• Procesamiento de datos: Incluye la limpieza, transformación e integración de los datos. Esta etapa es crucial para garantizar la calidad de la información.
• Análisis de datos: Se aplican técnicas estadísticas, minería de datos y machine learning para obtener patrones, correlaciones e insights accionables.
• Presentación de información: Mediante dashboards, reportes y visualizaciones interactivas, se comunica el valor de los datos de forma clara y eficaz.
  Toma de decisiones: Los resultados del análisis guían decisiones tácticas y estratégicas que mejoran procesos, reducen costos o identifican nuevas oportunidades.

Principales herramientas y tecnologías de Business Intelligence

En el mercado actual existen numerosas plataformas que permiten llevar a cabo este proceso de manera eficiente:

1. Microsoft Power BI: Plataforma versátil que permite conectar múltiples fuentes de datos, crear dashboards interactivos y aplicar análisis avanzados. Se integra fácilmente con Excel y Azure.
2. Tableau: Reconocida por su capacidad de visualización intuitiva y dinámica. Ideal para explorar datos de manera visual y entender patrones con facilidad.
3. QlikView y Qlik Sense: Ofrecen un modelo asociativo único que permite el descubrimiento de datos de forma no lineal, con un fuerte enfoque en la autosuficiencia del usuario.
4. SAP BusinessObjects: Suite empresarial completa para análisis, informes y planificación. Altamente integrada con el ecosistema SAP.
5. IBM Cognos Analytics: Plataforma que incorpora inteligencia artificial para entregar análisis predictivo y prescriptivo, con gran capacidad de integración.
6. Amazon QuickSight: Herramienta en la nube que ofrece análisis rápidos y escalables con funciones avanzadas como detección de anomalías y aprendizaje automático, ideal para entornos AWS.

En conjunto, la correcta implementación de una estrategia de BI y BA, respaldada por una sólida gobernanza de datos y herramientas adecuadas, puede generar un impacto significativo en la capacidad de una organización para adaptarse, innovar y crecer

Analítica cualitativa y toma de decisiones sin datos cuantitativos

En su libro Analítica de proyectos sin datos, Acilio Marinello aborda la diferencia fundamental entre los datos cualitativos y cuantitativos. Los datos cualitativos se centran en la calidad y las características de un fenómeno, permitiendo comprender aspectos como el comportamiento humano, las motivaciones o las percepciones de las partes involucradas en un proyecto. Estos datos no pueden medirse a través de números, sino que se basan en observaciones, entrevistas, opiniones de expertos, y cualquier otro tipo de información no cuantificable. 

La analítica cualitativa, por tanto, permite explorar en profundidad estos aspectos más abstractos, lo cual es crucial cuando se trata de decisiones que van más allá de los números fríos y requieren de un análisis interpretativo.

A diferencia de los datos cuantitativos, que se pueden analizar de manera sistemática a través de métricas numéricas, los datos cualitativos necesitan un enfoque más flexible y subjetivo. Los proyectos, especialmente en áreas como el desarrollo de productos o la gestión de equipos, frecuentemente cuentan con información que no se ajusta fácilmente a una medición numérica, como las percepciones de los clientes o las dinámicas de grupo.

Algunos pasos clave en su implementación

Cuando realizamos un análisis cualitativo, el objetivo es explorar, describir y comprender fenómenos a través de atributos no numéricos. Este tipo de análisis se enfoca en aspectos más abstractos como motivaciones, comportamientos, actitudes y tendencias. Para prepararse y ejecutar un análisis cualitativo eficaz, se pueden seguir estos pasos:

• Preparar y organizar los datos: Estructura y organiza las transcripciones, notas y documentos relevantes, asegurando que se pueda rastrear cada fuente de información.
• Revisar y explorar los datos: Lee los datos varias veces, tomando notas y discutiendo en equipo para obtener diferentes perspectivas.
• Crear códigos iniciales: Identifica patrones clave mediante el uso de resaltadores, notas y herramientas visuales que ayuden a conectar los datos.
• Revisar y combinar códigos en temas: Agrupa los códigos relacionados y busca patrones o tendencias que guíen el análisis.
• Presentar temas de manera coherente: Organiza los temas de manera clara, teniendo en cuenta el contexto y la audiencia, para contar la historia de los datos de forma efectiva.

Métodos para recopilar datos cualitativos en proyectos

En la séptima edición de la Guía del PMBOK, el PMI destaca diversos métodos para recopilar datos cualitativos en proyectos. Estos métodos ayudan a obtener información clave para tomar decisiones y gestionar proyectos de manera efectiva:

• Análisis de alternativas: Evaluar las diferentes opciones para seleccionar los enfoques más adecuados en el proyecto.
• Análisis de causa raíz: Identificar la causa subyacente de un problema o variación en el proyecto.
• Análisis de procesos: Revisar de forma sistemática los pasos y procedimientos para realizar una actividad específica.
• Diagrama de afinidad: Agrupar y clasificar ideas para analizarlas de manera organizada.
• Diagrama de causa y efecto: Representación visual que ayuda a identificar la causa raíz de un efecto no deseado.
• Diagrama de influencias: Muestra gráficamente las relaciones causales entre variables en un proyecto.
• Estudios comparativos: Comparar procesos y prácticas con otras organizaciones para identificar mejores enfoques.
• Evaluación del ciclo de vida: Analizar el impacto ambiental de productos o procesos durante su ciclo completo.
• Mapeo de impacto: Una herramienta estratégica visual que sirve como guía durante el desarrollo de un producto, permitiendo planificar y gestionar sus impactos.

Como señaló el análisis de Marinello, la combinación de análisis cualitativo y cuantitativo se ha convertido en una práctica fundamental para abordar la complejidad de los proyectos y tomar decisiones más precisas y completas. 

Por ejemplo, en un proyecto de desarrollo de productos, los datos cuantitativos pueden mostrar que una característica del producto está siendo utilizada con frecuencia, pero el análisis cualitativo puede revelar que los usuarios la encuentran difícil de entender o poco intuitiva. De este modo, la combinación de ambos enfoques puede guiar la mejora continua del producto de manera más efectiva.

Esta sinergia permite a los equipos de proyecto abordar los desafíos desde múltiples ángulos y tomar decisiones más informadas que promuevan el éxito a largo plazo.

Resumen de preguntas frecuentes

A lo largo del artículo, se ha explorado cómo los datos y el análisis pueden transformar la gestión de proyectos, y en esta sección respondemos a dudas comunes que pueden surgir al considerar la incorporación de estas tecnologías.